A medida que la inteligencia artificial se democratiza entre los empleados, está apareciendo una nueva paradoja de productividad: aunque la tecnología hace que el trabajo parezca más rápido, en realidad traslada más carga a los empleados, que deben proporcionar contexto, realizar controles de calidad y luego repetir el proceso en numerosas herramientas dispares. Esto, según una nueva encuesta a 6.000 trabajadores digitales a tiempo completo realizada por el Work AI Institute de Glean, da lugar a dos comportamientos emergentes: el ‘botsitting’ (todas las tareas no reconocidas que son necesarias para que la IA sea realmente utilizable) y el ‘botshitting’ (entregar trabajo generado por IA sin verificar, no bien comprendido o quizás ni siquiera fiable). El informe lo realizaron en conjunto expertos del Work AI Institute, junto a otros de las universidades estadounidenses de Emory, Stanford, Berkeley, Santa Bárbara, Charlotte, de la británica University College de Londres y la francesa Universidad de Notre Dame.
“En muchos sentidos, se trata claramente de un círculo vicioso que se retroalimenta”, explica Rebecca Hinds, directora del centro de investigación de Glean, el Work AI Institute, un consorcio de expertos en IA. Las empresas deben empezar a comprender y abordar el “enorme, enorme trabajo humano que está en el núcleo de todo esto”.
Los trabajadores usan más la IA, pero están más frustrados
No hay duda de que la IA se está convirtiendo rápidamente en un compañero de trabajo fundamental. Según los datos del Work AI Institute de Glean, el 87% de los trabajadores digitales utiliza IA: ya está automatizando más de una cuarta parte de su trabajo y ahorra unas 11 horas a la semana.
Aun así, solo el 13% afirma que el uso de la IA ha mejorado significativamente el rendimiento de su empresa, y el tiempo que ahorran es absorbido por la misma tecnología que lo genera. Los empleados pierden aproximadamente un tercio de su jornada laboral (6,4 horas) en ‘botsitting’: proporcionando contexto a la IA, supervisando resultados, depurando errores, corrigiendo trabajo generado por IA y cambiando entre herramientas de IA.
“Estamos viendo tasas muy, muy altas de uso de múltiples herramientas, y a menudo esas herramientas no están conectadas”, señala Hinds.
En cuanto a la aportación de contexto, los modelos de lenguaje de gran tamaño (LLM) se entrenan con el vasto corpus de internet, pero no siempre con datos específicos de cada empresa. Por ello, los empleados a menudo tienen que proporcionar información adicional sobre los productos, clientes, servicios u otros detalles de su compañía.
“A menudo se sienten frustrados cuando las herramientas no entienden lo suficiente el trabajo cotidiano como para ser útiles”, añade Hinds. Además, como los empleados utilizan múltiples herramientas, con frecuencia tienen que repetir el mismo prompt una y otra vez. “Es agotador para los trabajadores no solo hacer esto, sino que además ese trabajo no sea reconocido, a menudo no recompensado ni valorado dentro de la organización”, agrega.
De forma similar, los trabajadores tienen que detectar resultados que pueden parecer pulidos y terminados en la superficie, pero que podrían ser incorrectos, incompletos o carecer de contexto importante. La depuración es el principal factor de agotamiento, porque a menudo la realizan personas que no necesariamente contribuyeron al resultado inicial, por lo que primero tienen que reconstruir el contexto, señala Hinds.
No obstante, “no todo el ‘botsitting’ es negativo”, subraya. “Sin duda, queremos que los trabajadores tengan cierto nivel de control y supervisión”.
Pero cuando es innecesario, puede derivar en ‘botshitting’, donde los usuarios entregan trabajo generado por IA que no han verificado porque están abrumados o tienen poco tiempo. El 69% de los usuarios admite hacerlo, y el 41% afirma que a veces entrega trabajos que no podría explicar si se le preguntara. Otro 28% culpa a la IA de errores que en realidad ellos mismos cometieron. “El ‘botshitting’ consiste en delegar tu pensamiento crítico humano, tu juicio y tu comprensión”, explica Hinds. “Estás delegando un trabajo que absolutamente debe seguir siendo humano”.
Los trabajadores que utilizan múltiples agentes de IA tienen muchas más probabilidades de hacer esto, añadió, porque los agentes son altamente escalables y pueden descontrolarse si no cuentan con los controles o permisos adecuados, lo que lleva a usuarios abrumados a abandonar los esfuerzos de verificación. “A menudo no ves los impactos negativos hasta tres, cuatro o cinco pasos más adelante”, dice Hinds. “Entonces se requiere todo ese trabajo de limpieza, de investigación, para entender dónde falló el agente”.
Usar IA… pero no demasiada
Curiosamente, más de la mitad de los trabajadores encuestados afirman recibir más ayuda diaria de la IA que de sus directivos, y consideran que es más fácil colaborar con ella que con personas.
Aun así, parecen enfrentarse a un problema de ‘Goldilocks’ cuando se trata de compartir su uso de la IA. Entre los trabajadores que se identifican como usuarios avanzados de IA, el 54% utiliza herramientas no aprobadas o utiliza herramientas aprobadas de forma no conforme, y el 36% oculta cuánto les ayuda la IA.
Como explica Hinds, dependiendo del contexto y del nivel de seguridad psicológica que ofrezca la organización, mostrar que se utiliza IA puede ser “beneficioso o perjudicial de forma diferencial”, y, por otro lado, ocultar que se usa demasiado también puede serlo, ya que podría hacer que una persona parezca menos valiosa, o percibida como tal. Se trata de un equilibrio complicado porque, señala, “existe una enorme presión en muchas organizaciones por demostrar fluidez en IA, por demostrar que eres un usuario avanzado”.
Qué hacen distinto las organizaciones de éxito
De hecho, el informe señala que “las empresas que están tomando la delantera están haciendo algo distinto: no dedican una mayor parte de su tiempo con IA a usar la IA, sino que dedican una mayor parte al trabajo que la rodea: establecer el contexto, definir qué es ‘bueno’, desarrollar criterio y decidir qué nunca debería haberse delegado a un modelo en primer lugar”.
Las organizaciones más transformadoras están abordando los retos de la IA de forma proactiva: proporcionando formación y soporte, tratando la IA como una oportunidad para rediseñar el trabajo y recompensando formalmente las habilidades relacionadas con la IA. Además, destaca que la habilidad más difícil de desarrollar es saber cuándo no utilizar la IA.
“No se trata solo de clics en la herramienta, no se trata solo de tokens utilizados, sino de habilidades reales, aprendizaje real”, afirma Hinds. Además de invertir en los trabajadores, estas organizaciones comunican claramente la estrategia de IA y aclaran el “porqué” que hay detrás. La gobernanza también debe ser “viva y dinámica”, con empresas que reevalúan continuamente sus políticas.
Y esto debe ocurrir en todos los niveles, incluidos los altos directivos, afirmó Hinds: “Se trata de poder ver a los ejecutivos usar la tecnología, compartiendo tanto los éxitos como los fracasos”.
Las empresas de éxito también utilizan activamente métricas ancladas en indicadores clave de rendimiento (KPI) existentes. Miden la calidad, la eficiencia y el compromiso de los empleados de diferentes maneras, y ponen los datos en manos de los trabajadores para que puedan evaluar su propia adopción y éxito. “No se trata tanto de vigilancia como de retroalimentación sobre cómo trabajamos colectivamente”, apunta Hinds.
Lo que resulta “fascinante, aunque quizá no sorprendente”, añade, es que los trabajadores están utilizando cada vez más la propia IA como profesor, y la prefieren frente a otros canales de aprendizaje. Esto pone de relieve la importancia de herramientas low-code y no-code, con curvas de aprendizaje reducidas y contexto organizativo, integradas directamente en los flujos de trabajo. “Es radicalmente diferente de lo que hemos visto con tecnologías anteriores”, concluye.